一种人工智能辅助肿瘤临床决策的数据库交互平

本发明属于医疗信息，涉及一种数据库交互平台，具体涉及一种人工智能辅助肿瘤临床决策的数据库交互平台。背景技术：1、肿瘤是一种十分复杂的疾病，截止2023年底已经发表的肿瘤相关文献达到3915950篇，已经发表研究结果的临床试验达61624项，已经批准的肿瘤治疗方案逾450种，已鉴定的驱动基因及其分子特征超过1500个，肿瘤相关基因变异超过11500个。并且这些肿瘤相关的诊疗知识在迅速更新，已经超出个人能够处理信息量的能力范围。在循证医学和精准医学时代，它们构成了庞大的证据体系，同时也给精准医疗带来了巨大的挑战。人工智能在医疗领域的应用已经逐渐成为一种趋势，尤其在辅助肿瘤临床决策方面，备受期待。人工智能辅助肿瘤临床决策源于循证医学“6s”理论的计算机辅助决策支持系统(computerised decision support systems)，旨在向决策者提供高质量、有理论依据的增强或补充信息。2、人工智能辅助肿瘤临床决策依赖规则和算法，需要填充经过充分评估的具有临床意义的规则和内容。其本质是通过从临床数据中提取特征，进行结构化和数值化，从而使得机器学习算法能够处理和分析这些特征，并结合循证医学证据、标准治疗方案、临床医生的知识和经验等信息，辅助医生进行肿瘤的诊断、预后评估和治疗方案制定，提高临床医生的决策绩效、改善患者的生存质量和临床结局。3、但上述现有技术仍存在以下问题：4、1、目前大多人工智能辅助决策是通过术语映射、条件查找的方式给出治疗建议，这些方法难以处理医学表达和理解的歧义，并且所查找匹配的目标数据库为第三方数据库或知识库，查找内容和目标库不属于同一体系，引入匹配偏倚。5、2、精准医学所依赖的基因变异研究进展日新月异，但是基因变异在临床指南和临床实践中体现较少，以此为数据库的临床决策模型不能将临床数据和分子数据综合考虑，不能直接给出贴合临床的治疗决策建议。6、因此，有必要提供一种人工智能辅助肿瘤临床决策的数据库交互平台，以解决上述技术问题。技术实现思路1、本发明克服了现有技术的不足，提供一种人工智能辅助肿瘤临床决策的数据库交互平台。2、为达到上述目的，本发明采用的技术方案为：一种人工智能辅助肿瘤临床决策的数据库交互平台，所述数据库交互平台的构建方法，包括以下步骤：3、步骤一、基于先验知识确定肿瘤临床决策相关的若干临床特征，包括：肿瘤分期(s)、病理分型(p)、分子分型(g)、治疗阶段(t)和复发风险(r)等；4、步骤二、使用若干癌种、对应的若干临床特征和若干治疗方案构建肿瘤诊疗数据库；5、步骤三、基于步骤一确定的若干所述临床特征在nccn指南上被提及次数计算统计学概率，并确定每个所述临床特征在特定肿瘤临床决策中的重要性；6、步骤四、将若干所述临床特征按照重要性大小排序后，并基于所述肿瘤诊疗数据库，来构建决策树模型；7、步骤五、对于一个具体的肿瘤患者，按照决策树模型中的层级划分顺序提取其临床特征，在数据库中匹配治疗方案。8、本发明一个较佳实施例中，在所述步骤三中，运用信息熵理论确定每个所述临床特征在特定肿瘤临床决策中的重要性：设定临床特征的取值为{x1,x2,…,xn}，每个取值的概率为{p1,p2,…,pn}，则该临床特征的信息熵计算公式为：i＝-∑(pi×log2(pi))，其中，pi表示第i个取值的概率，i值越大，其对应临床特征的重要性越大。9、本发明一个较佳实施例中，每个所述临床特征在不同肿瘤临床决策中的重要性分别计算。10、本发明一个较佳实施例中，所述决策树模型，以实体肿瘤名称为根节点，各临床特征作为决策节点，并按照若干所述临床特征的重要性大小排序，多个临床特征代表多层级决策节点。11、本发明一个较佳实施例中，所述分子分型的信息熵设定为极小值。12、本发明一个较佳实施例中，所述根节点到所述决策节点的每一条路径均设置有唯一编码，在所述决策树模型中，所有路径的编码串集合为目标串。13、本发明一个较佳实施例中，在所述步骤五中，对患者临床特征的提取为，根据各临床特征在所述决策树模型中的层级划分，调用openai.api从非结构化的电子病历中依次提取对应的临床特征取值，并按照顺序排布其对应编码生成模式串。14、本发明一个较佳实施例中，在所述步骤五中，使用kmp算法进行治疗方案的匹配。15、本发明一个较佳实施例中，所述治疗方案为公开发表的同行审议医学文献的系统综述或meta分析结果，所述治疗方案含证据等级。16、基于上述任一项所述的一种人工智能辅助肿瘤临床决策的数据库交互平台的使用方法，包括以下步骤：17、输入患者信息：用户通过交互平台上传非结构化的电子病历；18、临床特征提取：首先根据实体肿瘤名称确定决策树根节点，然后根据指定临床特征和各临床特征在决策树中的层级，调用openai.api从非结构化的电子病历中依次提取对应的临床特征取值，并按照顺序排布其对应编码生成模式串；19、治疗方案匹配：基于kmp算法，使用模式串与决策树模型的目标串进行匹配，得出并展示与患者临床特征相匹配的最佳治疗方案。20、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：21、(1)本发明提供了一种人工智能辅助肿瘤临床决策的数据库交互平台，运用多种算法和模型，量化临床特征对临床决策的重要性，融合临床数据和分子数据，系统综述循证医学证据和精准医学知识，自主构建了肿瘤诊疗数据库决策树模型，并对临床特征和决策树进行编码，自动执行模式匹配指令，从而快速、准确给出临床决策的建议，实现基于分子特征进行个性化精准医学的同时符合最佳循证医学证据的循证医学临床实践。22、(2)本发明通过确定肿瘤临床决策相关的若干临床特征，基于这些临床特征在nccn指南上被提及次数计算统计学概率，并计算临床特征的信息熵，量化临床特征对临床决策的重要性，从而实现定量而非定性的确定决定肿瘤诊疗的关键临床特征并依此做出临床决策。相对于现有的定性分析，本发明更为客观、精确，能够有效避免主观判断带来的偏差，在肿瘤临床决策领域具有广泛的应用前景。23、(3)本发明提供了一种决策树模型的构建方法，按照临床特征的重要性大小进行排序，构建多层级决策节点的决策树模型，每个决策节点均能对应数据库中的治疗方案，确保了决策树模型的结构科学、合理，能够真实反映临床决策的逻辑和流程。本发明构建的决策树模型是一个包含多种临床特征的实体肿瘤诊疗数据库，涵盖26类实体肿瘤，帮助临床基于患者个体化的临床特征作出相应的治疗决策。24、(4)本发明通过对决策树模型和决策节点进行编码，基于kmp模式匹配算法，使用大语言模型，实现非结构化电子病历文本信息转变为结构化信息的自动化处理，实现患者临床特征和决策树模型的自动化匹配，以及实现患者临床特征和历史病例数据的批量化分析，进而实现临床决策端到端流程的自动化。